機器學(xué)習(xí)之徑向基神經(jīng)網(wǎng)絡(luò)

本文基于臺大機器學(xué)習(xí)技法系列課程進行的筆記總結(jié)。

主要內(nèi)容如下圖所示：

首先介紹一下徑向基函數(shù)網(wǎng)絡(luò)的Hypothesis和網(wǎng)絡(luò)的結(jié)構(gòu)，然后介紹徑向基神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法，以及利用K-means進行的學(xué)習(xí)，最后通過一個實例加深對RBF神經(jīng)網(wǎng)絡(luò)認識和理解。

RBF神經(jīng)網(wǎng)絡(luò)的Hypothesis和網(wǎng)絡(luò)結(jié)構(gòu)

我們從基于Gaussian kernel的support vector machine中在無限維度中進行特征轉(zhuǎn)換來獲取一個large margin的邊界，這個Gaussian kernel就是一個Radio Basis Function Kernel。其意義呢有兩個：一是radio，代表的是x和中心點xm之間的距離，可以是任意衡量距離的某種范數(shù)，比如L2范數(shù)等；二是Basis，表示要進行聯(lián)合（combine）；于是就可以得到了以下關(guān)于RBF神經(jīng)網(wǎng)絡(luò)的更加質(zhì)樸的定義：如下圖所示，RBF神經(jīng)網(wǎng)絡(luò)實際上就是一些選擇出來的radial徑向hypothesis的線性組合。

那么為何是神經(jīng)網(wǎng)絡(luò)呢？我們看如下圖所示的結(jié)構(gòu)對比，從中可以看出兩者的隱含層（hidden layer）不同，即RBF神經(jīng)網(wǎng)絡(luò)采用的激發(fā)函數(shù)或者映射是徑向基函數(shù)（距離+高斯）等，而輸出層都一樣，是特征轉(zhuǎn)換后的線性融合。

這樣就得到了RBF的神經(jīng)網(wǎng)絡(luò)的Hypothesis，如下圖所示，如果還記得kernel svm的hypothesis的話（representation theory），我們得到的SVM的Hypothesis實際上就是support vector的線性組合，即影響我們最后得到的hypothesis只是與這些“代表”的點有關(guān)。類似的，RBF也是如此，我們需要找到一些能夠代表數(shù)據(jù)的中心點（ center ）。所以我們在進行訓(xùn)練學(xué)習(xí)的時候要做的就是：給定的徑向基函數(shù)（RBF）和輸出，然后決定這些center和線性組合的系數(shù)β。另外一個值得提出的就是從另一個角度來看徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)與其他前饋神經(jīng)網(wǎng)絡(luò)的關(guān)系，可以參考我的另一篇博文中的總結(jié)：神經(jīng)網(wǎng)絡(luò)總結(jié)（初稿），關(guān)鍵點就是從BP神經(jīng)網(wǎng)絡(luò)到徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)，一個明顯的特征就是我們不用在對所有全局的鏈接權(quán)重進行訓(xùn)練，而是只對一些重要的影響輸出的權(quán)重進行調(diào)整，這樣就能明顯提升神經(jīng)網(wǎng)絡(luò)的訓(xùn)練速度。

另一個重要的內(nèi)容就是Gaussian的徑向基函數(shù)實際上做的就是一種相似度的測量，而且是在原始空間的相似度測量。而特征轉(zhuǎn)換就是距離與中心點的相似度的轉(zhuǎn)換。

Full RBF神經(jīng)網(wǎng)絡(luò)

full RBF神經(jīng)網(wǎng)絡(luò)實際上就是一個非常lazy的RBF神經(jīng)網(wǎng)絡(luò)。之所以lazy講的它根本不做center，也就是它把所有觀測到的數(shù)據(jù)都作為center，也就是輸入size為N，那么center的size也是N。即一種uniform的形式，融合每一個輸入數(shù)據(jù)到所有訓(xùn)練樣本點的相似度。如下圖所示：

最近鄰模型（Nearest neighbor）

思想就是我們對所有經(jīng)過hypothesis得到的輸出進行投票（vote，aggregation），而是選擇在相似度上與已知樣本點最近的那個點的標(biāo)簽作為輸出。這就是典型的最近鄰模型。所以這樣看上去訓(xùn)練就比較簡單了，實際上只用把觀測到的數(shù)據(jù)保存下來就好，但測試過程則比較復(fù)雜，因為要對所有的已知標(biāo)簽的樣本點進行相似度的計算，然后選出最近鄰的那個，并輸出該樣本的標(biāo)簽。稍微拓展一下，我們還是可以做融合的，我們選出最相似的k個鄰居，然后由著k個鄰居進行投票，或者線性融合，然后再輸出，這樣的模型就叫做k最近鄰模型。

Regularization

那如果利用full RBF神經(jīng)網(wǎng)絡(luò)進行regression呢情況又變成怎樣呢，如下圖所示：

從中可以看出，經(jīng)過以上設(shè)計進行訓(xùn)練我們將得到Ein=0，這在內(nèi)插法逼近函數(shù)的時候是非常好的，可是我們知道這樣好的Ein往往有可能出現(xiàn)overfitting，所以需要進行regularization的設(shè)計。常見的方法就是加約束項或懲罰函數(shù)。在不同的空間做regularization有著不同的結(jié)果。另一中regularization的方法就是限制center的數(shù)量，我們用few center進行，而不是full，這樣就能在一定程度上降低模型復(fù)雜度。那么如何從一堆X中萃取中心點呢？萃取的標(biāo)準(zhǔn)又是什么呢？

于是問題就轉(zhuǎn)向了聚類問題cluster problem。

聚類問題cluster problem(K-means)

聚類問題的數(shù)學(xué)描述如下圖所示，通過優(yōu)化聚類誤差（采用了平方誤差）進行。

于是就引出了非常著名的K-means聚類算法，具體內(nèi)容參看我的另一篇博客K-means算法

把K-means 應(yīng)用到RBF神經(jīng)網(wǎng)絡(luò)中

那么將K-means方法用到RBF神經(jīng)網(wǎng)絡(luò)中，就可以得到以下的流程

下面幾個就是利用k-means算法流程進行的實驗結(jié)果

對比了采用regularization的full RBF、采用了few center（K-means）的RBF以及基于nearest neighbor的Full RBF實驗效果圖，從圖中可以看出，雖然full RBF效果可能要比k-means的效果要好，可是一般來講由于計算復(fù)雜度和overfitting的風(fēng)險等原因一般不常常使用。

*************************************************************************************************************************************

對于徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)，只要抓住它的hypothesis的質(zhì)樸表示：一堆center的相似度（Gaussian RBF）的線性融合（vote，linear aggregation）就好了。完成的特征轉(zhuǎn)換就是距離到相似度。輸出就是相似度的線性組合。

然后中間涉及到的三個比較重要的內(nèi)容就是：1. 最近鄰思想；2. K-means算法；3. alternating optimization的思想。能夠掌握上面三個重要內(nèi)容就非常好了。